KLASIFIKASI PENYAKIT PADA TULANG PUNGGUNG MENGGUNAKAN METODE J48 DAN BAGGING

Tulang punggung sebagai bagian dari tulang belakang mempunyai peranan penting pada tubuh manusia. Trauma yang terjadi pada tulang punggung dapat mempengaruhi kemampuan sumsum tulang belakang untuk mengirim dan menerima pesan dari otak ke sistem tubuh yang mengendalikan sensorik dan motorik. Disc hernia dan spondylolisthesis merupakan contoh dari penyakit atau gangguan yang dapat terjadi pada tulang punggung. Penelitian tentang klasifikasi penyakit atau kerusakan tulang dan sendi dari sistem kerangka masih jarang dilakukan. Padahal sistem klasifikasi tersebut dapat digunakan sebagai “second opinion” oleh para ahli radiologi sehingga dapat meningkatkan produktivitas dan konsistensi diagnosis dari ahli radiologi. Penelitian ini menggunakan dataset Vertebral Column yang memiliki tiga kelas (Hernia, Spondylolisthesis, Normal) dan 310 instance yang terdapat pada UCI Machine Learning. Pada penelitian ini digunakan dua buah metode, yaitu decision tree (J48) dan Bagging. Decision tree merupakan metode yang mudah direpresentasikan atau dipahami oleh manusia. Namun, decision tree merupakan metode yang tidak stabil. Decision tree belum tentu memberikan prediksi yang sama ketika diberikan kasus atau test instance yang baru, terutama apabila data pengujian yang digunakan adalah data pengujian yang kecil. Sedangkan Bagging merupakan salah satu metode ensemble yang dapat digunakan untuk mengatasi ketidakstabilan tersebut. Tujuan dari penelitian ini adalah menentukan metode yang terbaik diantara dua metode tersebut sehingga dapat digunakan untuk melakukan klasifikasi penyakit pada tulang punggung. Metode evaluasi yang digunakan adalah 10-fold cross-validation. Sedangkan parameter yang digunakan adalah TP rate, FP rate, accuracy, dan ROC AUC. Dataset yang digunakan akan diklasifikasi dan dievaluasi menggunakan perangkat lunak WEKA 3.6.9. Hasil penelitian menunjukkan bahwa Bagging memiliki performa yang lebih baik dibandingkan dengan decision tree (J48). Accuracy yang dihasilkan oleh Bagging adalah 85.1613%. FP rate yang dihasilkan pada kelas hernia adalah 0.683, kelas spondylolisthesis 0.967, kelas normal 0.78. TP rate yang dihasilkan pada kelas hernia adalah 0.076, kelas spondylolisthesis 0.025, kelas normal 0.11. ROC AUC yang dihasilkan pada kelas hernia adalah 0.942, kelas spondylolisthesis 0.988, kelas normal 0.927. Vertebral column as a part of backbone has important role in the human body. Trauma in vertebral column can affect spinal cord capability to send and receive messages from brain to the body systems that control sensory and motor. Disc hernia and spondylolisthesis are examples of phatology on the vertebral column. Research about phatology or damage bones and joints of skeletal system classification is rarely. Whereas the classification system can be used by radiologists as a “second opinion” so that can improve productivity and diagnosis consistency from that radiologists. This research use dataset Vertebral Colum that has three classes (Hernia, Spondylolisthesis, Normal) and 310 instances in UCI Machine Learning. This research used two methods, that are decision tree (J48) and Bagging. Decision tree is a method that easy to be represented or understood. But, decision tree is an unstable method. Decision tree not necessarily give the same prediction when be given new test instance, especially if training data that used is small. Whereas Bagging was one of ensemble method that can overcome that unstability. Purpose of this research is to determine the method from two method that used in this research so that can be used for classification of phatology on the vertebral column. 10-fold cross-validation used as evaluation method. Whereas TP rate, FP rate, accuracy, and ROC AUC used as parameter evaluation. Dataset will classified and evaluated using software WEKA 3.6.9. The results showed that Bagging has better performance than decision tree (J48). The accuration of Bagging is 85.1613%. FP rate of hernia class is 0.683, spondylolisthesis class is 0.967, normal class is 0.78. TP rate of hernia class is 0.076, spondylolisthesis class is 0.025, normal class is 0.11. ROC AUC of hernia class is 0.942, spondylolisthesis class is 0.988, normal class is 0.927.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.